Deep learning integrated clinical-radiomics model for prognostic prediction in locally advanced cervical cancer through 18 F-FDG PET/CT and MRI combination

Cervixkanker blijft een enorme uitdaging, vooral wanneer het wordt gediagnosticeerd in een lokaal gevorderd stadium, wat betekent dat de tumor voorbij de baarmoederhals is gegroeid maar nog niet naar verre organen is uitgezaaid. Voor deze patiënten is de standaardzorg een rigoureuze combinatie van chemotherapie en radiotherapie die gelijktijdig wordt toegediend. Hoewel deze aanpak veel levens redt, is het geen garantie; ongeveer een derde van de patiënten ervaart een terugkeer van de ziekte binnen twee jaar, en de prognose voor hen die een recidief krijgen is vaak somber. Momenteel vertrouwen artsen op brede klinische categorieën en basisbloedtesten om te raden welke patiënten het hoogste risico op recidive lopen, maar deze instrumenten missen vaak de precisie die nodig is om de behandeling effectief af te stemmen. Om dit gat te overbruggen, richten onderzoekers zich op de beelden zelf. Moderne medische scanners, zoals die die radioactieve suiker gebruiken om actieve cellen te verlichten of magnetische velden om zacht weefsel in kaart te brengen, leggen veel meer data vast dan het menselijk oog kan zien. Door geavanceerde computeralgoritmen te gebruiken om deze verborgen patronen te analyseren, hopen wetenschappers het specifieke risico op ziekteprogressie van een patiënt te ontdekken nog voordat de behandeling begint.

In een belangrijke stap richting dit doel heeft een team van onderzoekers aan het Zhejiang Cancer Hospital een nieuw voorspellend instrument ontwikkeld dat traditionele medische beeldvorming combineert met kunstmatige intelligentie. De studie richtte zich op 346 vrouwen met lokaal gevorderde cervixkanker die een gelijktijdige chemoradiotherapie hadden ondergaan. Voordat hun behandeling begon, kreeg elke patiënt twee soorten scans: een positronemissietomografie gecombineerd met een computertomografie-scan, die bijhoudt hoeveel suiker de tumor consumeert, en een magnetische resonantie-imaging scan, die gedetailleerde beelden biedt van de structuur van de tumor en de beweging van water. De onderzoekers keken niet alleen naar deze beelden; ze voedden ze aan een geavanceerd computersysteem dat ontworpen is om subtiele aanwijzingen te vinden die voorspellen of de kanker zou terugkeren.

Het team bouwde een model dat fungeert als een digitale consultant, waarbij het drie verschillende bronnen van informatie integreert. Ten eerste keek het naar standaard klinische factoren, zoals de leeftijd van de patiënt en het specifieke stadium van de kanker. Ten tweede voerde het een "radiomics"-analyse uit, een proces waarbij de computer de tumorbeelden opbreekt in duizenden minuscule, meetbare kenmerken, zoals textuur en vorm, om een unieke digitale vingerafdruk van de tumor te creëren. Ten derde, en misschien wel het belangrijkste, maakte het systeem gebruik van deep learning, een vorm van kunstmatige intelligentie die de menselijke hersenen nabootst in hun vermogen om van data te leren. In tegen tegenstelling tot de radiomics-benadering, die steunt op vooraf gedefinieerde metingen, scande het deep learning-algoritme de ruwe beelden om automatisch complexe, hoogwaardige patronen te ontdekken die mensen wellicht missen. Door deze drie draden samen te weven — klinische geschiedenis, gemeten beeldkenmerken en door AI ontdekte patronen — creëerden de onderzoekers een uitgebreid model dat in staat is om het toekomstige verloop van de ziekte te voorspellen.

Toen het team dit nieuwe model testte, waren de resultaten opmerkelijk. Het gecombineerde systeem, dat zij het klinisch-radiomics-deep learning-model noemden, demonstreerde een nauwkeurigheidsniveau dat de traditionele methoden ver overtrof. In de groep patiënten die werd gebruikt om het systeem te trainen, identificeerde het model de uitkomst in bijna elk geval correct. Belangrijker nog, toen het werd getest op een aparte groep patiënten die het nog nooit eerder had gezien, behield het model een hoog niveau van betrouwbaarheid en voorspelde het ziekteprogressie in meer dan 90 procent van de gevallen correct. Deze prestatie was aanzienlijk beter dan het vertrouwen op standaard klinische factoren alleen, die moeite hadden om onderscheid te maken tussen patiënten met een hoog en laag risico. De studie vond ook dat het toevoegen van de deep learning-component aan de traditionele radiomics-analyse zorgde voor een duidelijke verbetering in nauwkeurigheid, wat suggereert dat het vermogen van de computer om verborgen patronen te vinden echte waarde toevoegde bovenop wat door mensen ontworpen metingen zouden kunnen bereiken.

De onderzoekers merkten er zorgvuldig bij op dat hoewel het model zeer veelbelovend is, het nog geen definitieve oplossing is voor elke kliniek. De studie werd uitgevoerd in één enkel ziekenhuis en het aantal patiënten dat een recidief vertoonde in de testgroep was relatief klein, wat betekent dat het model gevalideerd moet worden in grotere, diverse groepen mensen voordat het breed kan worden toegepast. Bovendien, hoewel het model uitstekend is in het voorspellen van uitkomsten, blijven de specifieke biologische redenen waarom de computer bepaalde patronen identificeerde enigszina een mysterie, vergelijkbaar met een 'black box' die het juiste antwoord geeft zonder de redenering erachter volledig uit te leggen. De auteurs suggereren dat toekomstig werk zich moet richten op het begrijpen van de biologische betekenis achter deze digitale aanwijzingen en het testen van het model in prospectieve studies waarbij patiënten gedurende een bepaalde tijd worden gevolgd.

Uiteindelijk vertegenwoordigt dit werk een verschuiving in de manier waarop artsen de aanpak van cervixkanker kunnen benaderen. In plaats van alle patiënten met lokaal gevorderde ziekte op dezelfde manier te behandelen, biedt dit instrument de potentie om diegenen te identificeren die het meest waarschijnlijk een recidief zullen ervaren. Als een patiënt door een dergelijk systeem als hoog risico wordt aangemerkt, kunnen artsen overwegen de behandeling te intensiveren of frequentere controles in te plannen om een eventuele terugkeer van de ziekte vroegtijdig op te merken. Omgekeerd kunnen zij die een goede prognose voorspellen, onnodige agressieve therapieën vermijden. Door de onzichtbare details van medische beelden om te zetten in bruikbare kennis, brengt dit onderzoek het vakgebied dichter bij werkelijk gepersonaliseerde zorg, waarbij behandelstrategieën worden afgestemd op de unieke biologie van de tumor van elk individu.